Soufiane Keli, consultant chez OCTO Technology, propose une approche méthodique permettant à l'IA générative de produire presque 100% du code dans un projet logiciel réel. Loin d'être magique, cette stratégie combine rigoureusement des pratiques éprouvées dans un processus structuré en quatre étapes.
Étape 0 : Onboarding quotidien du LLM
Contrairement à un développeur humain qui conserve le contexte entre sessions, le LLM doit être "réembauché" chaque jour. Cette étape cruciale consiste à rappeler systématiquement le contexte global du projet, ses objectifs métier et architecturaux. Traiter le modèle comme un "junior qui recommence chaque matin" force une discipline documentaire bénéfique : le contexte explicite devient un actif partagé par toute l'équipe, pas seulement une connaissance tacite distribuée.
Étape 1 : Exploration et planification atomique
Avant toute génération, chaque user story subit une décomposition minutieuse en tâches atomiques avec descriptions précises. Paradoxalement, cette planification utilise elle-même un LLM pour identifier le niveau de granularité optimal. Cette étape transforme des objectifs fonctionnels flous en spécifications techniques actionnables, réduisant drastiquement l'ambiguïté que les modèles gèrent mal.
Étape 2 : Développement itératif spec-driven
Le développement proprement dit s'appuie sur des prompts hautement structurés comprenant quatre éléments : spécification technique détaillée, exemples de code illustratifs, standards et conventions du projet, et checklist Definition of Done (DoD) explicite. Si le résultat déçoit, l'approche prescrit un réajustement méthodique soit du prompt soit du contexte, évitant les itérations aléatoires. Cette rigueur transforme l'interaction avec le LLM d'une conversation improvisée en processus d'ingénierie reproductible.
Étape 3 : Capitalisation continue
Après chaque cycle, les apprentissages enrichissent progressivement une base de connaissances organisationnelle : patterns réussis, formulations de prompts efficaces, pièges identifiés, exemples documentés. Cette boucle d'amélioration continue transforme l'expérience individuelle en capital intellectuel collectif, accélérant les projets futurs.
Principe fondamental et validation terrain
Le principe directeur récuse explicitement la génération monolithique : "Ne pas demander à l'IA de tout faire d'un coup". Au contraire, tâches atomiques + standards clairs + itération rapide produisent simultanément vélocité ET qualité—objectifs traditionnellement antagonistes.
Crucially, cette approche a été démontrée en environnement brownfield par Loïc Lefloch et Simon Belbeoch chez OCTO Technology, prouvant son applicabilité au-delà des projets greenfield idéalisés. Le contexte brownfield—avec legacy code, contraintes architecturales existantes, dette technique—représente le terrain d'exercice réel de la majorité des développeurs.
Positionnement pragmatique
Keli positionne explicitement cette méthode comme combinaison pragmatique de bonnes pratiques disponibles publiquement, non comme innovation radicale. Cette modestie stratégique renforce sa crédibilité : l'approche n'exige pas de révolution culturelle, seulement une orchestration disciplinée de techniques connues adaptées au contexte IA-générative.